
LingSante-Pulse-1.0 jest na Hugging Face; kod do jego uruchomienia — nie.
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 183 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 741 tok/s
- AlibabaNOWOŚĆQwen: Qwen4 Max2026-11-16$1.50 / $4.50 za 1 mln tokenów · 407 tok/s
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 87 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 119 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 za 1 mln tokenów · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
LingSante-Pulse-1.0 pojawił się na Hugging Face o 08:39 UTC 20 listopada 2026 r., a do 09:12 tego samego ranka jego autor, inclusionAI, zdążył już opublikować poprawkę. Wpis podaje jedno polubienie i zero pobrań. Nic w repozytorium nie jest modelem, z którym można porozmawiać: LingSante-Pulse-1.0 to enkoder z 16,7 mln parametrów do sygnałów fizjologicznych — EKG, EEG, przepływu powietrza, saturacji tlenu we krwi — który przekształca przebieg falowy w embedding o stałej długości i na tym poprzestaje. Nie było wpisu premierowego, raportu technicznego ani tabeli benchmarków, a w momencie pisania także żadnego pakietu kodu do jego wczytania. Karta instruuje instalację osobnego pakietu lingsante_pulse; tego pakietu nie ma na PyPI.
To, co faktycznie istnieje, jest niezwykle czytelne. Wagi są udostępniane w formacie F32, nagłówek safetensors jest nieskompresowany i czytelny, a channels.json wymienia wszystkie pięćdziesiąt siedem typów sygnałów, które model akceptuje. Można więc całkiem sporo powiedzieć o tym, czym jest ten model, i precyzyjnie określić, czego nikt spoza laboratorium nie może jeszcze potwierdzić. Ten tekst rozdziela te dwie kategorie.
Co się pojawiło, a co nie
Repozytorium zawiera siedem plików: README, licencję MIT, model.safetensors (63,8 MiB wag w repozytorium o rozmiarze 66,9 MB), config.json, channels.npz, channels.json oraz standardową zaślepkę gitattributes. To całe wydanie.
Nieobecne, a każda nieobecność jest nośna:
• W repozytorium nie ma kodu inferencji, a w PyPI nie ma pakietu o nazwie lingsante-pulse ani lingsante_pulse — oba zwracają 404.
• Brak benchmarków. Karta opisuje zachowanie prozą („przekształca sygnały fizjologiczne, takie jak EKG, w embeddingi”) i nie publikuje żadnych liczb.
• Brak raportu technicznego. inclusionAI ma obecność na arXiv, a powiązane repozytorium LingSante-MedGuard, utworzone 17 listopada 2026 r., zawiera link do raportu. Karta Pulse nie zawiera żadnego linku.
• Brak jakiejkolwiek zapowiedzi, którą można znaleźć w wyszukiwarce internetowej. Sama karta modelu zawiera frazę „After publication”, która brzmi jak tekst napisany przed zaplanowanym wydaniem pakietu.
• Brak dostawcy inferencji. Hugging Face podaje, że model nie został wdrożony przez żadnego dostawcę, a karta zachęca czytelników do zwrócenia się o wsparcie.
Jeden plik to mała niespodzianka: config.json zawiera skróty SHA-256 dla trzech plików danych. To nie jest artefakt marketingowy. To rodzaj kontroli, którą zespół dodaje, gdy spodziewa się, że pliki będą kopiowane w różne miejsca i chce wiedzieć, że dotarły nienaruszone.
Dwanaście bloków, 256 wymiarów, 32-próbkowe fragmenty
Nagłówek safetensors wymienia 203 tensory, a jego blok metadanych zawiera model: LingSante-Pulse, step: 260000. Odtworzenie architektury na podstawie nazw tensorów jest proste — i jest to jedyna istniejąca dokumentacja architektury.
• Głębokość i szerokość — 12 bloków transformera (od blocks.0 do blocks.11), każdy ze strumieniem rezydualnym o szerokości 256.
Uwaga — łączona projekcja qkv o kształcie [768, 256], co odpowiada kluczom, zapytaniom i wartościom dla trzech głowic o szerokości 256; nie podano osobnego rozmiaru projekcji wyjściowej poza out o wymiarach [256, 256].
Feed-forward — gate_up o wymiarach [2048, 256] i down o wymiarach [256, 1024], czyli sygnatura kształtu bramkowanej jednostki liniowej z warstwą ukrytą o szerokości 1,024.
• Bramkowanie — każdy blok zawiera attention_gate o wymiarach [256, 256] plus bias oraz pasujący film_heads.N o wymiarach [1024, 256], emitujący wektor modulacji o 1024 wartościach. Dwanaście głowic FiLM dla dwunastu bloków. Nic na karcie nie wyjaśnia, co je warunkuje.
• Patchowanie — patch.weight to [256, 32]. Trzydzieści dwie próbki na patch, przy stałych 128 Hz określonych przez kartę, to dokładnie 250 milisekund, czyli interwał podany w README dla zwracanych cech tokenów. Arytmetyka się zgadza.
• Elementy składowe sekwencji — jeden token cls, jeden mask_token i cztery register_tokens w tensorze [1, 4, 256].
• Ścieżka tekstowa — text_adapter.0 rzutuje 384 wymiary na 256, a text_adapter.1 dopracowuje je w obrębie 256. Karta mówi, że wektory warunkowania kanałów pochodzą z BAAI/bge-small-en-v1.5, którego rozmiar ukryty wynosi 384. Zatem model jest warunkowany naturalnojęzykowymi opisami swoich kanałów wejściowych, rzutowanymi na własną przestrzeń. Takie odczytanie to wnioskowanie z kształtów oraz notatki o pochodzeniu w karcie, a nie udokumentowany projekt, ale oba są zgodne.
Jeszcze jedna głowa — validity.weight przy [256, 64]. Sygnał dla każdej pozycji, że próbka została faktycznie zaobserwowana, co pasuje do tego, co karta mówi o observed-valid PatchMean i maskach dopełnienia pamięci.

Karta specyfikacji odczytana z kształtów tensorów, a nie z arkusza danych: 16,7 mln parametrów, dwanaście bloków o szerokości 256, łatki po 32 próbki przy 128 Hz oraz adapter tekstowy 384→256 do warunkowania kanałów.
Pięćdziesiąt siedem kanałów opisuje laboratorium snu.
Interesującym plikiem nie są wagi. Jest nim channels.json, który zawiera opis każdej z 57 tożsamości sygnałów akceptowanych przez model, napisany prostym językiem angielskim.
Przeczytaj tę listę po kolei, a przestanie wyglądać jak ogólny słownik biosygnałów. Trzy elektrody skalpowe EEG „podczas snu”. Dwie elektrody EOG „podczas snu”. EMG brody „podczas snu”, EMG nogi „podczas snu”. Przepływ powietrza, wysiłek oddechowy klatki piersiowej, wysiłek oddechowy brzucha, chrapanie, SpO2. To montaż polisomnograficzny, w kolejności, w jakiej nazwałby go technik snu.
Potem lista ciągnie się dalej, do innego pomieszczenia. Ciśnienie w drogach oddechowych „mierzone przez respirator anestezjologiczny”. CO2 na końcu wydechu. Częstość oddechów wyliczana na podstawie Dräger Primus i monitora Solar8000. Moc BIS EEG w decybelach z czołowego monitora głębokości znieczulenia oraz jego dwa czołowe odprowadzenia EEG. Dwunastoodprowadzeniowe EKG z pełnym zestawem przedsercowym, trzema zmodyfikowanymi odprowadzeniami kończynowymi i szesnastoma jednobiegunowymi odprowadzeniami EOG.
Dwa środowiska, jeden słownik kanałów. Najbardziej uzasadniony wniosek, na jaki pozwala to repozytorium, jest taki, że enkoder wytrenowano zarówno na badaniach snu, jak i na monitorowaniu okołooperacyjnym lub intensywnej terapii — oraz że jego twórcy chcieli jednego modelu, który przetrwa wskazanie go na dowolny montaż, jaki dany szpital już posiada. Karta tego nie mówi. Mówi to za nią lista kanałów.
Ta szerokość jest także głównym twierdzeniem inżynieryjnym modelu. Enkoder z 16 milionami parametrów, który przyjmuje 57 heterogenicznych tożsamości kanałów, ponownie próbkuje wszystko do 128 Hz i zwraca jeden embedding na kanał, rozwiązuje problem uzgadniania danych, który każdy, kto pracował z klinicznymi przebiegami sygnałów, natychmiast rozpoznaje: w szpitalu nic nie jest zgodne co do częstotliwości próbkowania, nazewnictwa odprowadzeń ani tego, które kanały zostały faktycznie zarejestrowane.
Brakującym elementem jest pakiet
Przykład użycia karty ma cztery wiersze:
from lingsante_pulse import LingSantePulse, następnie LingSantePulse.from_pretrained(), następnie model.encode(x, sample_rate=128, channels=[{"modality": "ECG", "lead": "II"}]), a następnie wypisz kształty.
Nic z tego nie działa dzisiaj. Import kończy się niepowodzeniem, ponieważ pakiet nie istnieje w indeksie, na który karta pośrednio wskazuje. Katalog modelu zawiera wagi i wektory warunkujące, a nie moduł Pythona. Czytelnik, który chce użyć tego wydania, ma dokładnie jedną drogę: zaimplementować od nowa przejście w przód na podstawie 203 nazw tensorów, odgadnąć funkcje aktywacji, odgadnąć, jak stosowana jest modulacja FiLM i w jakiej kolejności, oraz mieć nadzieję, że statystyki normalizacji są tymi, których użyli autorzy.
W przypadku transformera działającego na patchach nie jest to niemożliwe. Dla kogoś biegle władającego PyTorch to dzień pracy, a dla każdego innego — projekt badawczy. Ale „możliwe do ponownego zaimplementowania” i „wydane” to różne rzeczy, a w luce między nimi tkwi większość wartości wydania. Wagi bez ścieżki wnioskowania są twierdzeniem o modelu, a nie modelem, który można wywołać.
Karta zdaje sobie sprawę ze szwu. „Zainstaluj osobny pakiet kodu wnioskowania przed użyciem tych zasobów modelu” — głosi, a następnie w przykładzie: „Po publikacji ten kompletny przykład pobiera model przy pierwszym użyciu”. Oba zdania wskazują w przyszłość. Albo pakiet dopiero nadejdzie, albo wydanie jest ruchem wcześniejszego pozycjonowania — wagi umieszczone publicznie, aby można je było cytować, mierzyć za pomocą wewnętrznego harnessu i były gotowe w momencie pojawienia się kodu.
Co karta twierdzi, a co pomija
Udokumentowany interfejs jest wąski i konkretny, co stanowi jego zaletę.
Formy wejściowe — [T], [C, T], [B, C, T] lub wyrównane słowniki kanałów. Nagrania o niejednorodnej długości działają; podajesz modelowi rzeczywistą częstotliwość próbkowania i fizyczną tożsamość każdego kanału.
• Przetwarzanie wstępne — mówi się, że pakiet kodu obsługuje ponowne próbkowanie do stałej częstotliwości 128 Hz, obserwowane próbki oraz maski dopełniania pamięci. Należy zauważyć, że jest to twierdzenie o kodzie, który jeszcze nie istnieje.
• Wyjścia — CLS oraz PatchMean dla zaobserwowanych prawidłowych wartości zwracane osobno jako [B, C*256], z kanałami skonkatenowanymi w kolejności wejściowej; return_tokens=True zwraca także cechy patchy i maski ważności w odstępach 0,25 sekundy.
• Zakres — „Są to reprezentacje sygnałów; głowice predykcyjne specyficzne dla zadania nie są uwzględnione”. Mówiąc prosto: Pulse dostarcza cechy, a Ty dostarczasz klasyfikator, detektor i ocenę ryzyka.
Czego nie daje: żadnej wskazówki, do czego te cechy są przydatne. Nie ma tabeli wyników linear-probe, nie ma listy zadań downstream, nie ma stwierdzenia, na jakim zbiorze danych wytrenowano enkoder, nie ma wskazówek dotyczących długości okna poza przykładem 1280 próbek (dziesięć sekund przy 128 Hz), nie ma stwierdzenia, jak radzi sobie z kanałami, na których nigdy nie był trenowany, i nie ma porównania z żadnym istniejącym fizjologicznym modelem podstawowym. Licznik kroków wskazuje 260 000 kroków treningowych. To jedyna liczba dotycząca treningu w całym wydaniu.
Dlaczego trudno ocenić wydanie zawierające wyłącznie wagi
Enkodera nie da się ocenić w sposób abstrakcyjny. Jego jakość jest w całości funkcją zadania downstream, do którego go podłączysz, a standardowym sposobem raportowania tego jest liniowa sonda na zamrożonych cechach na kilku publicznych zbiorach danych z określonym podziałem. Bez tych liczb trzech rzeczy nie da się poznać.
Po pierwsze, czy embeddingi niosą informację, czy jedynie wariancję. 256-wymiarowy wektor wyodrębniony z dziesięciu sekund EKG może wydawać się wiarygodny — gładki, uporządkowany, stabilny u różnych pacjentów — a mimo to kodować wyłącznie rytm serca i jakość sygnału. Tylko sonda pozwala je odróżnić.
Po drugie, czy warunkowanie kanałów pomaga, czy jest wyłącznie dekoracyjne. Architektura inwestuje w adapter tekstowy i 57 tożsamości kanałów. Jeśli jednokanałowy baseline oparty wyłącznie na EKG dorównuje pełnemu modelowi, ta maszyneria jest kosztem bez korzyści, a pokazuje to tylko ablacja.
Po trzecie, czy model uogólnia poza swój rozkład treningowy. Kliniczne przebiegi falowe mocno się zmieniają między urządzeniami, rozmieszczeniem elektrod i populacjami. „Działa na montażu, który widział” to znacznie słabsze twierdzenie niż „działa na montażu w twojej szafce”, a nic tutaj nie testuje drugiego.
Nic z tego nie jest oskarżeniem. Model wgrany kilka godzin temu bez artykułu to normalny pierwszy krok, a raport techniczny może już być w recenzji. To po prostu uczciwy stan dowodów, a czytelnik decydujący się na budowanie na tym powinien wiedzieć, że jedyną obecnie zweryfikowaną rzeczą jest lista plików.
Co by to zmieniło
Cztery rzeczy, w kolejności rosnącej według tego, ile by ci powiedziały.
Wydanie na PyPI pod nazwą lingsante_pulse uczyniłoby model możliwym do uruchomienia i zamieniłoby przykład użycia z karty z dokumentacji w test. To najmniejszy i najbardziej prawdopodobny następny krok.
Akapit w karcie wymieniający korpusy szkoleniowe pozwoliłby czytelnikowi ocenić dopasowanie domeny, zanim poświęci dzień na integrację. Obecnie lista kanałów sugeruje dane dotyczące snu i anestezji, nie potwierdzając tego.
Sonda na zamrożonych cechach przeprowadzona na dwóch lub trzech publicznych zbiorach danych — jednym dotyczącym snu, jednym kardiologicznym — przekształciłaby udostępnienie z artefaktu w wynik. To element, który ma największe znaczenie i najmniej kosztuje autorów.
Niezależne odtworzenie miałoby większe znaczenie niż wszystko powyższe i nie może zostać zorganizowane przez dostawcę. Nikt nie uruchomił tego modelu publicznie. To zdanie warto mieć w pamięci przez najbliższe kilka tygodni.
Gdzie w działającym systemie mieści się taki enkoder? Generuje on cechy; coś innego musi na ich podstawie wnioskować, a w większości klinicznych potoków przetwarzania tym czymś jest model językowy czytający podsumowanie osadzenia wraz z notatkami pacjenta. Ta warstwa rozumowania to część, którą obsługuje OrcaRouter — jedno API dla ponad 200 modeli, cena katalogowa dostawcy przekazywana bez doliczania marży, oraz automatyczne przełączanie awaryjne w razie degradacji dostawcy. Sam LingSante-Pulse-1.0 to wagi hostowane we własnym zakresie i nie ma go w naszym katalogu; enkoder i model odczytujący jego dane wyjściowe to osobne decyzje zakupowe, a tylko drugi z nich w ogóle ma API.
Na razie praktyczna odpowiedź jest mało efektowna. Jeśli masz dane PSG lub śródoperacyjne dane przebiegów falowych i swobodnie posługujesz się PyTorch, pobierz plik safetensors i przeczytaj nagłówek — to najbardziej informatywny artefakt w wydaniu. Jeśli potrzebujesz czegoś, co możesz wywołać w tym tygodniu, to jeszcze nic tu nie ma. 63.8 MiB wag to obietnica z rozmiarem pliku.

Kompletne wydanie w obecnym kształcie: siedem plików, jeden z nich to wagi, żaden z nich to kod.

To, co repozytorium obsługuje obecnie: liczbę parametrów, architekturę odczytaną z kształtów tensorów i słownik kanałów — ale żadnego benchmarku, żadnego pakietu i żadnego dostawcy.
